Dr. Johannes Riesterer

Karlsruhe Institute of Technology (KIT)
Campus Süd
Institute of Telematics
Chair for Pervasive Computing Systems / TECO
Vincenz-Prießnitz-Straße 1
76131 Karlsruhe
Germany
Building 07.07, Room : 214

email: riesterer(at)teco.edu
phone: +49 721 608-41708
fax: +49 721 608-41702

Short CV

2008 Diplom in Mathematik Universität Karlsruhe (TH)
2013 Promotion in Mathematik KIT
2008–2010 Stipendiat, Graduiertenkolleg Universität Karlsruhe (TH).
20010-2014 Wissenschaftlicher Mitarbeiter Fakultät für Mathematik/KIT
Seit 2014 Freiberufliche Tätigkeit als Softwareentwickler in den Bereichen wissenschaftliches Rechnen, Computergrafik und Multimedia-Applikationen(Büro Zwei)
2015-2016 Lehrauftrag Computergrafik, Gameart, Webprogrammierung HKDM Freiburg
Seit 2015 Lehrauftrag Computergrafik DHBW Stuttgart
Seit 2017 Studio Fluffy Gbr, Geschäftsführender Gesellschafter
Seit 2017 Wissenschaftlicher Mitarbeiter Teco/KIT

Projects

  • SmartAQNet
  • Data Scientist @ Smart Data Solution Center (SDSC) – Smart Data Analytics for Small and Medium Enterprises
  • Verschnittoptimierung für 2D-Laserschneidmaschinen mit Methoden des maschinellen Lernens (Trumpf)
  • Verbesserung von Vorhersagemodellen auf Basis heterogener Feinstaub-Messnetzwerke unter Anwendung topologischer Datenanalyse (MathSEE)
  • Verbesserung von Vorhersagemodellen auf Basis heterogener Feinstaub-Messnetzwerke unter Anwendung erweiterter stochastischer Regressionsmodelle (MathSEE)

Activities

Mitglied im KIT-Zentrum MathSEE (Mathematics in Sciences, Engineering, and Economics)

Open Hiwi-Job

Hiwi-Job
Beschreibung
In einem interdisziplinären Forschungsprojekt untersuchen wir mit Hilfe topologischer Datenanalyse Korrelationen in den Messdaten eines heterogenen Messnetzwerkes. Ein heterogenes Messnetzwerk besteht aus Sensoren, deren Qualität unbekannt ist. Ein solches Szenario liegt zum Beispiel bei Crowd-Sensing Ansätzen vor, bei dem günstige Sensoren von Freiwilligen zusammengebaut und betrieben werden. Von besonderem Interesse sind Umweltdaten, wie zum Beispiel Feinstaub. Wir möchten untersuchen, wie sich mit Methoden der angewandten algebraischen Topologie, wie zum Beispiel persistente Homologie, die Qualität der Sensoren bestimmen und aus der topologischen Information aller Messungen in Kombination mit neuen Ansätzen für machine learning Modellen die Ausbreitung von Feinstaub ableiten lässt. Es werden dazu statistische Modelle mit topologischen und geometrischen Informationen gekoppelt, mit dem Ziel die Vorhersagen zu verbessern. Für die Implementierung der Algorithmen innerhalb einer Big-Data Architektur suchen wir tatkräftige Unterstützung.

Wir bieten
Mitarbeit in einem neuen interdisziplinären Projekt zwischen Informatik und Mathematik in dem neue Methoden aus der topologischen Datenanalyse zur Anwendung kommen.
Ein 40 Stunden Vertrag über 6 Monate
flexible Arbeitszeiten

AUFGABEN
Implementierung von Algorithmen im Bereich Data-Analysis.
Verwendung von Big Data Technologien wie Spark, Hadoop Postgis oder Kafka

PROFIL
Du hast Erfahrung mit Python, vorzugsweise im Bereich Data-Analysis
Grundkenntnisse in C++ sind von Vorteil
Du hast solide Kenntnisse in Mathematik
Du hast interesse an interdisziplinärer Forschung im Bereich Mathematik und Informatik.
Du kannst selbstständig arbeiten und Ergebnisse kommunizieren

Open Theses

Titel
Verbesserung von Vorhersagemodellen auf Basis heterogener Feinstaub-Messnetzwerke unter Anwendung erweiterter stochastischer Regressionsmodelle.

Als heterogenes Messnetzwerk bezeichnet man ein Netzwerk aus Sensoren, deren Qualität a priori unbekannt ist. Ein solches liegt zum Beispiel bei Crowd-Sensing-Ansätzen vor. Hierbei werden günstige Sensoren unbekannter Präzision und Qualität von Freiwilligen zusammengebaut und betrieben und die Daten in einer vernetzten Infrastruktur verarbeitet und bereitgestellt. Bei der Verwendung dieser unsicheren Daten in Vorhersagemodellen stellt sich die Frage, ob eine höhere Mess-Auflösung mit unbekannter Genauigkeit bessere Vorhersagemodelle ermöglicht.
Zielsetzung
In dieser Arbeit sollen stochastiche Regressionsansätze basierend auf räumlich und zeitlich abhängigen Gaußprozessen verfolgt werden. Für die Modellierung der Unsicherheiten der Sensoren sollen Copula-Funktionen und Hyperparameter-Optimierungsverfahren verwendet werden. So ist bei Umweltsensoren aufgrund nichtlinearer Kreuz-Sensitivitäten ein starker nichtlinearer Zusammenhang zu erwarten. Copula-Funktionen sind im Gegensatz zu kovarianz-basierten Ansätzen in der Lage, diese nichtlineare Abhängigkeiten zu modellieren. Es wird geprüft, bis zu welcher Entfernung von Sensoren nichtlineare Abhängigkeiten zu berücksichtigen sind. Die unterschiedliche Präzision der Sensoren soll durch heteroskedastische Gaußprozesse als ein Beispiel für Hyperparameter-Optimierungsverfahren berücksichtigt werden. Hier sollen die unbekannten Varianzen der Sensoren während des Betriebs mit einem Maximum-Likelihood-Ansatz geschätzt werden. Neben der Anfertigung der Masterarbeit wird im Rahmen eines Hiwi-Jobs die Implementierung der Algorithmen auf einer Big-Data Architektur so wie die Mitarbeit an einem Drittmittelantrag zur Intensivierung der Forschung in diesem Bereich erwartet.

Voraussetzungen
Solide Kenntnisse in stochastischer Analysis und linearer Algebra.
Programmiererfahrung in Python, vorzugsweise im Bereich Data-Analysis.
Implementierungen von Algorithmen in Python und Mitarbeit an einem Drittmittelantrag zur Intensivierung der Forschung im Rahmen eines Hiwi-Jobs.

Teaching

Gaussian Process Regression, Seminar.
Spatiotemporal interpolation with bayesian neuronal networks, Seminar.
Big Data Architectures for geospatial analysis and distributed linear algebra, Seminar.
Reinforcement learning for Nesting Problems, Seminar.
Bayessche Regression und Gaußprozesse, Vorlesungseinheit kontextsensitive Systeme (Folien).

Supervised Theses

Bowen Wang; BigGIS: Fusion of geospatially distributed heterogeneous Sensor Data
Stanislav Arnaudov; Erstellung und Evaluierung stochastischer Regressionsmodelle auf Basis heterogener Messnetzwerke (In Kooperation mit Sebastian Lerch)
Peter Bozsoky; Calibrating NO2 Sensors Using Neural Networks
Yi Ge; MapReduce Machine learning algorithms for geospatial data on kappa architectures

Running

Marvin Wieschollek; Gauß-Prozess-Regressionsmodelle für heterogene Messnetzwerke
Rainer Schlund; Kalibrierung von Low Cost Feinstaubsensoren unter Einsatz des Elastic Weight Consolidation (EWC) Algorithmus als inkrementellen Deep Learning Verfahren

Research Interests

Vorhersage von Umweltparametern und Sensorkalibrierung mit Methoden des maschinellen Lernens unter Einsatz von Big-Data Technologien.
Bilderkennungsverfahren für optische Low-Cost-Sensorik.
Geometrie, angewandte Mathematik, Computergrafik/Multimedia

Peer-reviewed Publications

2019

Johannes Riesterer, Sebastian Lerch, Matthias Budde, Julian Bruns, Stanislav Arnaudov, Till Riedel, Michael Beigl (2019) Stochastische Regressionsmodelle zur Verbesserung der Datenqualität, Kalibrierung und Interpolation von Umwelt-und Luftdaten in verteilten Messnetzen aus Low-Cost Sensoren, Umwelteinflüsse erfassen, simulieren, bewerten - 48. Jahrestagung der GUS 2019

Matthias Budde, Simon Leiner, Marcel Köpke, Johannes Riesterer, Till Riedel, Michael Beigl (2019) FeinPhone: Low-cost Smartphone Camera-based 2D Particulate Matter Sensor, Sensors 19(3), p. 749, pdf, doi:10.3390/s19030749

2018

Matthias Budde, Klaus Schäfer, Josef Cyrys, Stefan Emeis, Thomas Gratza, Hans Grimm, Marcus Hank, Stefan Hinterreiter, Erik Petersen, Andreas Philipp, Johanna Redelstein, Till Riedel, Johannes Riesterer, Jürgen Schnelle-Kreis, Duick Young, Volker Ziegler, Michael Beigl (2018) SmartAQnet – raum/zeitlich hochaufgelöste Erfassung der Luftqualität mit neuen Datenprodukten, Umwelteinflüsse erfassen, simulieren, bewerten - 47. Jahrestagung der GUS 2018, GUS, pdf

Julian Bruns, Johannes Riesterer, Bowen Wang, Till Riedel, Michael Beigl (2018) Automated Quality Assessment of (Citizen) Weather Stations, GI_Forum, pdf, doi:10.1553/giscience2018_01_s65

Stefan Hinterreiter, Matthias Budde, Klaus Schäfer, Johannes Riesterer, Till Riedel, Marcel Köpke, Josef Cyrys, Stefan Emeis, Thomas Gratza, Marcus Hank, Andreas Philipp, Erik Petersen, Johanna Redelstein, Jürgen Schnelle-Kreis, Duick Young, Michal Kowalski, Volker Ziegler, Michael Beigl (2018) SmartAQnet – Neuer smarter Weg zur räumlichen Erfassung von Feinstaub, AGIT – Journal für Angewandte Geoinformatik 4, pdf

Matthias Budde, Klaus Schäfer, Till Riedel, Josef Cyrys, Stefan Emeis, Thomas Gratza, Hans Grimm, Marcus Hank, Stefan Hinterreiter, Marcel Köpke, Erik Petersen, Andreas Philipp, Johanna Redelstein, Johannes Riesterer, Jürgen Schnelle-Kreis, Duick Young, Volker Ziegler, Michael Beigl (2018) Project SmartAQnet: Combining Existing Datasets and a Mobile Measurement Strategy into a Smart Urban Air Quality Network, Scientific Research Abstracts 8 (DUST 2018), p. 12, pdf

2013

Johannes Riesterer (2013) Quo vadis, Aut(n)?, url

2009

Oliver Baues, Johannes Riesterer (2009) Virtually abelian Kähler and projective groups, Abhandlungen aus dem Mathematischen Seminar der Universität Hamburg 81(2), p. 191-213, pdf

Other Publications

  • J. Riesterer, C. Schmalzriedt, S. Schmalzriedt; 2017; Schnaubi & Lisu – early bird; Computerspiel; Itunes; Playstore
  • J. Riesterer, C. Schmalzriedt, S. Schmalzriedt; 2019; Jumpy Chap; Computerspiel; Itunes; Playstore

Talks and Slides

OGC Summit 2018

Vortrag AG Differentialgeometrie KIT

Vortrag DHBW Mannheim. IOT – Anwendungsfelder und technische Grundlagen.

Data-driven Modeling and Optimization in Fluid Mechanics, KIT, 2019.